Многие люди воспринимают нейронные сети как «ещё один инструмент машинного обучения». У них есть свои плюсы и минусы. Они популярны. И, разумеется, их можно использовать, чтобы выиграть соревнования по машинному обучения (Kaggle).

Однако, Andrej Karpathy (раньше — исследователь из OpenAI, сейчас — директор по ИИ в Tesla), считает, что подобный взгляд на нейронные сети — слишком поверхностен.
Рассматривать нейронные сети, как просто ещё один классификатор — это не видеть леса за деревьями.
На самом деле, современный успех нейронных сетей, представляет собой начало фундаментального сдвига в том, как мы пишем программное обеспечение. Это Software 2.0.

( Читать дальше )

ИИ в соревновании с человеком по управлению беспилотником.
Пока, человеку потребовалось меньше времени, чтобы завершить круг, однако ИИ прошёл трассу мягче и уверенней.

( Читать дальше )

Видео с конференции Data & Science, на котором эксперты рассказывают о своём опыте работы с большими данными, машинном обучении и их применении в науке, экономике и других сферах жизни.

Очень интересно первое выступление — Эмели Драль из Yandex Data Factory, рассказывает о подводных камнях, которые возникают при использовании машинного обучения в промышленности (выбор нефтяных скважин для гидроразрыва пласта, контроль разделения газа на фракции, предсказание дефектов в продуктах металлургического производства (слябах)).

Этапы проекта:

( Читать дальше )

Машинное обучение (ML), Искусственный Интеллект (AI), нейронные сети (NN) — эти термины в последнее время время не сходят с новостных заголовков и этот шум даже не думает умолкать.
Большие данные, вычислительные мощности графических карт (GPU) и огромное количество научных исследований — позволили глубокому обучению стать технологией меняющей мир.

Доступность фреймворков машинного обучения в виде открытого программного обеспечения, от ведущих исследовательских групп (от крупных компаний: TensorFlow от Google, PyTorch от Facebook, CNTK от Microsoft) позволяют сейчас быстро начать самостоятельно экспериментировать с глубокими нейронными сетями.

Однако, эти возможности, благодаря которым, сейчас очень просто начать тренировать свою собственную Искусственную Нейронную Сетку, могут ввести в заблуждение.
Ведь, чтобы использовать машинное обучение для решения своих задач или задач бизнеса, требуется учесть множество важных нюансов.

( Читать дальше )

Генеративные состязательные сети (Generative Adversarial Networks — GAN) — потрясающий тип нейронных сетей, моделирующих генерацию данных.
Много данных для обучения, много параметров и требуемых вычислений, но, в итоге, можно научить нейронную сеть распределению в данных и начать генерировать самые разные целевые данные: покемонов, пиццу и даже лекарства.

( Читать дальше )

GAN — Generative Adversarial Networks — генеративные состязательные сети.

Пока мне не удалось найти устоявшегося русскоязычного названия.
Другие варианты:
генеративные соревновательные сети
порождающие соперничающие сети
порождающие соревнующиеся сети

Генеративные сети — это очень интересный класс нейронных сетей, которые учатся генерировать определённые объекты. Сейчас, подобные сети очень популярны и используются для самых разных задач — от генерирования пугающих картинок и суперразрешения до поиска лекарств от рака.

( Читать дальше )

Обратное распространение ошибки имеет фундаментальное значение для глубокого обучения.
Хинтон (изобретатель) недавно сказал, что мы должны «выбросить всё это и начать всё заново».
В этом видео, Siraj Raval рассказывает, как работает обратное распространение ошибки и как оно используется в глубоком обучении.
В завершение — он даёт 7 интересных направлений исследований.


( Читать дальше )

Введение в байесовские методы применительно к машинному обучению и глубоким нейронным сетям.

( Читать дальше )

Это видео объясняет, что скрывается за нейронными сетями.

( Читать дальше )

U-Net — это архитектура свёрточной нейронной сети, предназначенная для сегментации изображений (первоначально, для биомедицинских изображений).

( Читать дальше )